Willingness to Use Digital Health Tools in Patient Care Among Health Care Professionals and Students at a University Hospital in Saudi Arabia: Quantitative Cross-sectional Survey
Notice bibliographique
Résumé
BACKGROUND: The adoption rate of digital health in the health care sector is low in many countries. A facilitating factor for successful implementation and adoption of digital health is acceptance by current and future health care professionals. OBJECTIVE: This study was conducted to identify factors associated with willingness to use digital health tools in patient care among health care professionals and students. METHODS: This was a quantitative cross-sectional survey study conducted among health care professionals and students at a university hospital in Riyadh, Saudi Arabia. A nonprobability convenience sampling procedure was used to recruit participants. Data were collected using a self-completed e-questionnaire that was distributed by email. Chi-square tests, t tests, and logistic regression were used to analyze the data. RESULTS: We found that 181 out of 218 health care professionals (83.0%; 75.6% [59/78] physicians; 87.1% [122/140] nurses) and 115 out of 154 students (74.7%; 80.0% [76/95] medical students and 66.1% [39/59] nursing students) were willing to use digital tools in patient care. Willingness to use digital tools was significantly associated with attitude (Adjusted Odds Ratios [AOR] 1.96; 95% CI 1.14-3.36) and self-efficacy (AOR 1.64; 95% CI 1.17-2.30) among health care professionals, and with current year of study (AOR 2.08; 95% CI 1.18-3.68) and self-efficacy (AOR 1.77; 95% CI 1.17-2.69) among students. No significant difference in willingness to use digital tools was found between physicians and nurses (P=.113), and between medical and nursing students (P=.079). CONCLUSIONS: The findings of this study should encourage policy makers and hospital managers to implement relevant eHealth interventions within routine health care systems in Saudi Arabia. For successful implementation, digital health education programs should be implemented simultaneously, so that current and future health care professionals are able to develop required positive attitudes as well as practical skills and competencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».